neurips上发表一篇论文

论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年论文地址：针对问题：从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。参考博客：。论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年论文地址：针对问题：该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。创新点：在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。参考博客：论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年论文地址：针对问题：既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。创新点：本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。参考博客：论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址：主要针对的问题：本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点：本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。参考博客：论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址：主要针对的问题：对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？创新点：通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。参考博客：论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年论文地址：针对问题：如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点：作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。参考博客：论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年论文地址：针对问题：既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点：作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。参考博客：论文题目：Fast-RCNN 提出时间：2015年论文地址：针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？创新点：作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。参考博客：论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年论文地址：主要针对的问题：本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。创新点：作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址：主要针对的问题：由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？创新点：将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。参考博客：

2021年1月，冯磊加入计算机学院工作，入职时仅25岁，这是计算机学院目前年龄最小的引进人才，也是该学院有史以来首次直接给应届博士毕业生正高/博导岗位。

冯磊的主要研究方向为机器学习、数据挖掘、人工智能。近三年来，已在ICML、NeurIPS、KDD、CVPR、AAAI、IJCAI等国际顶级（CCF A类）会议与中科院一区期刊上以第一作者或通讯作者发表论文十余篇。

在学术服务方面，担任IJCAI 2021高级程序委员会委员，ICML 2021专家审稿人，以及其他国际顶级（CCF A类）会议的程序委员会委员/审稿人，并受邀担任多个国际知名期刊审稿人。

记者注意到，在冯磊的个人页面上，标注他的招生信息：年度招收博士生1名、硕士生3名，招收数学、计算机等专业。但同时特别备注：“2022年秋季入学的博士硕士研究生招生名额已满，谢谢各位同学的热情”。同时，冯磊还向同学们推荐了相关领域的导师。

neurips上发表论文

neurlps期刊属于高水准。根据调查相关公开信息显示，NeuRips是一个由国际计算机学会主办的国际性学术期刊，以竞赛论文快速出版论文为主，以及深入探讨神经科学基础和前沿技术的长文章。

NeurIPS（The Conference on Neural Information Processing Systems）是机器学习领域的重要国际学术会议，每年都吸引了来自全球的研究者参会。NeurIPS的文章涵盖了广泛的主题，包括深度学习、自然语言处理、计算机视觉、强化学习等领域。因此，在NeurIPS上发表一篇文章是对一个研究者的认可和荣誉。然而，在NeurIPS上发表文章并不是一件容易的事情。首先，文章需要具有创新性和原创性，必须在前沿领域作出重要贡献。其次，文章需要经过严格的审稿程序，包括多位匿名评审专家对文章的评估和反馈。最后，由于NeurIPS的声誉在学术界非常高，因此竞争非常激烈。这意味着即使是非常优秀的文章也可能无法被接受。总之，NeurIPS会议是机器学习领域的最高学术盛会之一，其发表的文章具有非常高的质量和影响力。因此，在NeurIPS上发表一篇文章对于一个研究者来说是一件非常困难但也非常有价值的事情。

写一篇论文的难度因很多因素而异，例如主题、研究对象、研究深度、实验设计等等。如果您正在准备参加NeurlPS会议并且打算提交一篇论文，务必确保您对所选主题/对象/方法有深入的理解和掌握，并有足够的实践经验和数据支持。同时，还需注意实验数据的准确性和可靠性，以及文献资料的充分性和权威性。NeurlPS会议是人工智能领域的重要国际学术活动，参与者水平较高，论文要求也很严格，因此需要进行充分准备和认真审阅。

发表过Neurips论文的

目前，北京理工大学自动化学院已回复王剑锋，并表示已经成立了工作小组调查此事。

投稿论文被泄露并被抄袭挪用。

近日，王剑锋发文《在arXiv上看到自己的投稿署了别人的名字是什么体验？》。文中称，其一篇在2020年6月向国际人工智能顶级会议NeurIPS 2020投稿的论文被泄露并被抄袭挪用。

这是一个不道德的抄袭行为。

上述文章中详细列举了多张证据截图以指控一篇于2021年9月16日发布在预印本平台arXiv的文章存在严重抄袭行为。

arXiv是计算机领域常用的论文预发表平台，作者可以通过将论文预发表至该平台，以声称对某种方法和思路的所有权。在该平台预发表后，不影响去其他期刊或会议的投稿和发表。

王剑锋指出，两篇论文标题完全一致，均为Label Assignment Distillation for Object Detection。此外，还存在摘要几乎完全一致、图片及表格数据完全一致等。

并且发表在“arXiv的文章中没有任何一个配图、表格、公式是新的，完全没有做额外的实验”。

张海伦通过知乎私信进一步透露，一作高明豪不是北京理工大学的学生，现已本科毕业，目前无工作单位。

高明豪道歉：

随后，一作高明豪通过邮件回复表达了歉意，但并没有承认剽窃行为。他称“相关论文pdf上传错误，十分抱歉，目前仅在arXiv社区进行上传，并未对任何学术期刊或会议进行投搞工作，已进行撤稿申请。”

在KDD接收的所有近300篇论文中，华人/中国人作者的有189篇，占比64.5%。2019年NeurIPS 2019论文投稿数量创造了新纪录，吸引了全球范围内共6743篇有效论文投递，而录取率只有21.17%。

NeurIPS 2019官方公布了投稿数量，据统计大会最初收到的论文摘要提交量为9185篇，但只有6947篇论文完成全文提交，符合提交要求的最终论文数量为6809篇，相比2018年的4854篇提升了40%，再创历史新高。

8909份摘要提交论文中只有6947份在全文提交截止日期前上传了一份论文。区域主席后来检查了这些提交，并确定了一些违反NeurIPS 2019提交指南的案例。还拒绝了那些论文中不再包含最初在摘要提交中列出的任何作者的提交。与NeurIPS 2018相比流程将整个审核过程中的论文总提交数量减少到6809份，创历史新高，增长了40％。

发表一篇以上论文

如果对单位的文件要求或者说解读不是很清楚，可以直接咨询相关部门的负责人，他们会给你一个正确的解释。对于您所问的这句话，我的理解是:要求发表一篇以上应该包括一篇，也就是说只要发表一篇文章就符合要求。

含1篇，说明有1篇即满足要求，2篇以上更好！

核心期刊其实就是我们通常说的北大核心，现在核心期刊越来越难发了，很多高职单位的文章投出去，看都不看就拒稿，因为一看学校单位出生不好，就不要文章。建议可以考虑发表EI级别的讠仑文，当然如果是EI期刊的话，很难录用，EI会议讠仑文相对容易些，你可以白杜搜下品优刊，有很多关于EI会议的咨询和学习材料。

发表一篇论文以上

1. 真题通过学校研招办邮购.2..一篇以上(核心刊,第一作者)论文只是针对"同等学力考生"要求的,即:非四年本科毕业的考生. (我理解的是:这叫学术成果or 工作业绩)3. 有些书内容就那样, 再过十年二十年还是那样. 比如我们英语专业的<高级英语>(张汉熙编),多少年了, 没变过样. 有些新旧版本都得看, 比如我们的<标准日本语>. 仅供参考.[] 查看原帖>>

核心期刊目前国内分为几种：cscd核心北大核心南大核心以及中国科技信息研究所（简称中信所）每年出一次的《中国科技期刊引证报告》中的期刊。这些核心期刊目录上的期刊，就是核心期刊。一般说核心，指的是北大核心。比如你是学计算机的，那么在北大核心目录上，计算机相关的期刊上，发表一篇以上的论文，就是上面的要求。如果发表有什么疑问的话，咨询一下墨客论文网，他们会免费指导你的